Визначення впливу когнітивної енергії водіїв наземної логістики на ефективність ланцюга поставок за допомогою агентного моделювання

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2024.302286

Ключові слова:

витрати когнітивної енергії (ВКЕ), мережа ланцюга поставок (МЛП), агентне моделювання, електроенцефалографія (ЕЕГ), логістичні перевезення

Анотація

Логістичні перевезення пов’язують генераторів попиту, дистриб’юторів та виробників у рамках мережі ланцюга поставок (МЛП). Наявність логістичних перевезень має вирішальне значення для забезпечення економічної стійкості цілих вузлів. У роботі вивчається вплив людського фактора на ефективність МЛП за допомогою відстеження витрат когнітивної енергії (ВКЕ). Використано агентне моделювання (AM) для аналізу впливу ВКЕ на основі даних електроенцефалографії (ЕЕГ) водія вантажівки для отримання значень постсинаптичного потенціалу, які потім перетворювалися в теплотворну енергію. Побудовано моделі транспортних агентів, роздрібних продавців та дистриб’юторів на основі логістичного транспортного маршруту на Східній Яві, Індонезія, навколо населених пунктів Карангло, Гемпол, Бунгурасіх та Губенг. Частота та пікове значення даних ЕЕГ, постсинаптичного потенціалу та енергії дають однакові результати. Всі дані свідчать про те, що більш складні маршрути мають більш високу частоту та більш високі пікові значення. AM-моделювання транспортних агентів показує збалансоване значення ВКЕ на всіх маршрутах завдяки точному графіку відпочинку та прийому їжі. Середній показник успішності доставки становив 8 із 30, або 86,7 %, на кожному етапі моделювання. Таким чином, у збалансованій системі транспортними агентами може бути виконано більшість завдань з доставки товарів. Як наслідок, ефективність МЛП також збалансована завдяки плавному переміщенню запасів без затоварювання та дефіциту. Періоди відпочинку та прийому їжі транспортного агента заплановані після досягнення піку ВКЕ. Для запобігання перевантаженню транспортних агентів необхідно дотримуватися часового інтервалу між періодами відпочинку та транспортними операціями. Перевантаження може призвести до зниження як безпеки перевезень, так і швидкості переміщення запасів. Таким чином, підвищення ефективності МЛП можливе шляхом належного планування роботи транспортних агентів

Спонсор дослідження

  • The authors would like to acknowledge Riset Kolaborasi Indonesia (RKI) program for the funding, Brawijaya University, Sepuluh Nopember Institute of Technology and State University of Malang for their encouragements and support.

Біографії авторів

Ishardita Pambudi Tama, Brawijaya University

Doctor of Engineering, Associate Professor

Department of Industrial Engineering

Dewi Hardiningtyas, Brawijaya University

Master of Engineering, Assistant Professor

Department of Industrial Engineering

Adithya Sudiarno, Sepuluh Nopember Institute of Technology

Doctor of Engineering, Associate Professor

School of Interdisciplinary Management and Technology

Aisyah Larasati, State University of Malang

Doctor of Engineering, Associate Professor

Department of Mechanical Engineering

Willy Satrio Nugroho, Brawijaya University

Doctor of Engineering

Department of Mechanical Engineering

Посилання

  1. Essakly, A., Wichmann, M., Spengler, T. S. (2019). A reference framework for the holistic evaluation of Industry 4.0 solutions for small-and medium-sized enterprises. IFAC-PapersOnLine, 52 (13), 427–432. https://doi.org/10.1016/j.ifacol.2019.11.093
  2. Wang, S., Jiang, Z., Noland, R. B., Mondschein, A. S. (2020). Attitudes towards privately-owned and shared autonomous vehicles. Transportation Research Part F: Traffic Psychology and Behaviour, 72, 297–306. https://doi.org/10.1016/j.trf.2020.05.014
  3. Walker, G., Strathie, A. (2016). Big data and ergonomics methods: A new paradigm for tackling strategic transport safety risks. Applied Ergonomics, 53, 298–311. https://doi.org/10.1016/j.apergo.2015.09.008
  4. Dunn, N., Williamson, A. (2012). Mitigating the effects of monotony. Rail Human Factors around the World, 774–782. https://doi.org/10.1201/b12742-87
  5. Gerstner, W., Kistler, W. M., Naud, R., Paninski, L. (2014). Neuronal Dynamics. Cambridge University Press. https://doi.org/10.1017/cbo9781107447615
  6. Balfe, N. (2020). Human factors applications of on-train-data-recorder (OTDR) data: an exploratory study. Cognition, Technology & Work, 23 (2), 239–253. https://doi.org/10.1007/s10111-019-00622-y
  7. Basacik, D., Waters, S., Reed, N. (2015). Detecting Cognitive Underload in Train Driving: A Physiological Approach. The Fifth International Rail Human Factors Conference. Available at: https://programme.exordo.com/rhf2015/delegates/presentation/42/
  8. Zhang, X., Li, J., Liu, Y., Zhang, Z., Wang, Z., Luo, D. et al. (2017). Design of a Fatigue Detection System for High-Speed Trains Based on Driver Vigilance Using a Wireless Wearable EEG. Sensors, 17 (3), 486. https://doi.org/10.3390/s17030486
  9. Kazil, J., Masad, D. Agent Based Modeling in Python with Mesa. SciPy 2015. Available at: https://www.youtube.com/watch?v=lcySLoprPMc
  10. Zaitsev, D. A. (2017). A generalized neighborhood for cellular automata. Theoretical Computer Science, 666, 21–35. https://doi.org/10.1016/j.tcs.2016.11.002
  11. Meneghan, L. L. (1976). “Life,” a fascinating game. The Arithmetic Teacher, 23 (1), 56–60. https://doi.org/10.5951/at.23.1.0056
  12. Joque, J. (2016). The Invention of the Object: Object Orientation and the Philosophical Development of Programming Languages. Philosophy & Technology, 29 (4), 335–356. https://doi.org/10.1007/s13347-016-0223-5
  13. Trigueiro de Sousa Junior, W., Barra Montevechi, J. A., de Carvalho Miranda, R., Teberga Campos, A. (2019). Discrete simulation-based optimization methods for industrial engineering problems: A systematic literature review. Computers & Industrial Engineering, 128, 526–540. https://doi.org/10.1016/j.cie.2018.12.073
  14. Iannino, V., Mocci, C., Vannocci, M., Colla, V., Caputo, A., Ferraris, F. (2020). An Event-Driven Agent-Based Simulation Model for Industrial Processes. Applied Sciences, 10 (12), 4343. https://doi.org/10.3390/app10124343
  15. Sarraj, R., Ballot, E., Pan, S., Hakimi, D., Montreuil, B. (2013). Interconnected logistic networks and protocols: simulation-based efficiency assessment. International Journal of Production Research, 52 (11), 3185–3208. https://doi.org/10.1080/00207543.2013.865853
  16. Xu, X., Liu, J., Li, H., Hu, J.-Q. (2014). Analysis of subway station capacity with the use of queueing theory. Transportation Research Part C: Emerging Technologies, 38, 28–43. https://doi.org/10.1016/j.trc.2013.10.010
  17. Jlassi, S., Tamayo, S., Gaudron, A. (2018). Simulation Applied to Urban Logistics: A State of the Art. City Logistics 3, 65–87. https://doi.org/10.1002/9781119425472.ch4
  18. Zhao, E., Yan, R., Li, K., Li, L., Xing, J. (2021). Learning to Play Hard Exploration Games Using Graph-Guided Self-Navigation. 2021 International Joint Conference on Neural Networks (IJCNN). https://doi.org/10.1109/ijcnn52387.2021.9534251
  19. Sert, E., Bar-Yam, Y., Morales, A. J. (2020). Segregation dynamics with reinforcement learning and agent based modeling. Scientific Reports, 10 (1). https://doi.org/10.1038/s41598-020-68447-8
  20. Li, J., Rombaut, E., Vanhaverbeke, L. (2021). A systematic review of agent-based models for autonomous vehicles in urban mobility and logistics: Possibilities for integrated simulation models. Computers, Environment and Urban Systems, 89, 101686. https://doi.org/10.1016/j.compenvurbsys.2021.101686
  21. de Bok, M., Tavasszy, L. (2018). An empirical agent-based simulation system for urban goods transport (MASS-GT). Procedia Computer Science, 130, 126–133. https://doi.org/10.1016/j.procs.2018.04.021
  22. de Bok, M., Tavasszy, L., Sebastiaan Thoen. (2022). Application of an empirical multi-agent model for urban goods transport to analyze impacts of zero emission zones in The Netherlands. Transport Policy, 124, 119–127. https://doi.org/10.1016/j.tranpol.2020.07.010
  23. Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G. et al. (2015). Human-level control through deep reinforcement learning. Nature, 518 (7540), 529–533. https://doi.org/10.1038/nature14236
  24. Knief, U., Forstmeier, W. (2021). Violating the normality assumption may be the lesser of two evils. Behavior Research Methods, 53 (6), 2576–2590. https://doi.org/10.3758/s13428-021-01587-5
  25. Sanz-Leon, P., Knock, S. A., Spiegler, A., Jirsa, V. K. (2015). Mathematical framework for large-scale brain network modeling in The Virtual Brain. NeuroImage, 111, 385–430. https://doi.org/10.1016/j.neuroimage.2015.01.002
  26. Hong, S. B., Jung, K.-Y. (2003). Basic Electrophysiology of the Electroencephalography. Journal of the Korean Neurological Association, 21 (3), 225–238. Available at: https://www.jkna.org/upload/pdf/200303001.pdf
  27. Jap, B. T., Lal, S., Fischer, P. (2011). Comparing combinations of EEG activity in train drivers during monotonous driving. Expert Systems with Applications, 38 (1), 996–1003. https://doi.org/10.1016/j.eswa.2010.07.109
  28. Shepherd, J. (2021). Flow and the dynamics of conscious thought. Phenomenology and the Cognitive Sciences, 21 (4), 969–988. https://doi.org/10.1007/s11097-021-09762-x
  29. Street, S. (2016). Neurobiology as Information Physics. Frontiers in Systems Neuroscience, 10. https://doi.org/10.3389/fnsys.2016.00090
  30. Schelski, M., Bradke, F. (2017). Neuronal polarization: From spatiotemporal signaling to cytoskeletal dynamics. Molecular and Cellular Neuroscience, 84, 11–28. https://doi.org/10.1016/j.mcn.2017.03.008
  31. Vergara, R. C., Jaramillo-Riveri, S., Luarte, A., Moënne-Loccoz, C., Fuentes, R., Couve, A., Maldonado, P. E. (2019). The Energy Homeostasis Principle: Neuronal Energy Regulation Drives Local Network Dynamics Generating Behavior. Frontiers in Computational Neuroscience, 13. https://doi.org/10.3389/fncom.2019.00049
  32. Shi, Z., Genack, A. Z. (2018). Diffusion in translucent media. Nature Communications, 9 (1). https://doi.org/10.1038/s41467-018-04242-4
  33. Fan, C., Peng, Y., Peng, S., Zhang, H., Wu, Y., Kwong, S. (2022). Detection of Train Driver Fatigue and Distraction Based on Forehead EEG: A Time-Series Ensemble Learning Method. IEEE Transactions on Intelligent Transportation Systems, 23 (8), 13559–13569. https://doi.org/10.1109/tits.2021.3125737
  34. Melnicuk, V., Thompson, S., Jennings, P., Birrell, S. (2021). Effect of cognitive load on drivers’ State and task performance during automated driving: Introducing a novel method for determining stabilisation time following take-over of control. Accident Analysis & Prevention, 151, 105967. https://doi.org/10.1016/j.aap.2020.105967
  35. Lieberman, H. R. (2007). Cognitive methods for assessing mental energy. Nutritional Neuroscience, 10 (5-6), 229–242. https://doi.org/10.1080/10284150701722273
  36. Burrough, P. A. (1992). Are GIS data structures too simple minded? Computers & Geosciences, 18 (4), 395–400. https://doi.org/10.1016/0098-3004(92)90068-3
  37. Hasan, R. A., Alhayali, R. A. I., Zaki, N. D., Ali, A. H. (2019). An adaptive clustering and classification algorithm for Twitter data streaming in Apache Spark. TELKOMNIKA (Telecommunication Computing Electronics and Control), 17 (6), 3086. https://doi.org/10.12928/telkomnika.v17i6.11711
  38. Rezqianita, B. L., Ardi, R. (2020). Drivers and Barriers of Industry 4.0 Adoption in Indonesian Manufacturing Industry. Proceedings of the 3rd Asia Pacific Conference on Research in Industrial and Systems Engineering 2020. https://doi.org/10.1145/3400934.3400958
  39. Khonsary, S. (2017). Guyton and Hall: Textbook of Medical Physiology. Surgical Neurology International, 8 (1), 275. https://doi.org/10.4103/sni.sni_327_17
  40. Witt, M., Kompaß, K., Wang, L., Kates, R., Mai, M., Prokop, G. (2019). Driver profiling – Data-based identification of driver behavior dimensions and affecting driver characteristics for multi-agent traffic simulation. Transportation Research Part F: Traffic Psychology and Behaviour, 64, 361–376. https://doi.org/10.1016/j.trf.2019.05.007
Визначення впливу когнітивної енергії водіїв наземної логістики на ефективність ланцюга поставок за допомогою агентного моделювання

##submission.downloads##

Опубліковано

2024-04-30

Як цитувати

Tama, I. P., Hardiningtyas, D., Sudiarno, A., Larasati, A., & Nugroho, W. S. (2024). Визначення впливу когнітивної енергії водіїв наземної логістики на ефективність ланцюга поставок за допомогою агентного моделювання. Eastern-European Journal of Enterprise Technologies, 2(3 (128), 6–13. https://doi.org/10.15587/1729-4061.2024.302286

Номер

Том 2 № 3 (128) (2024): Процеси управління

Розділ

Процеси управління

Ліцензія

Авторське право (c) 2024 Ishardita Pambudi Tama, Dewi Hardiningtyas, Adithya Sudiarno, Aisyah Larasati, Willy Satrio Nugroho

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.